CN107958434A - 智能看护方法、装置、电子设备及存储介质 - Google Patents
智能看护方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107958434A CN107958434A CN201711189283.9A CN201711189283A CN107958434A CN 107958434 A CN107958434 A CN 107958434A CN 201711189283 A CN201711189283 A CN 201711189283A CN 107958434 A CN107958434 A CN 107958434A
- Authority
- CN
- China
- Prior art keywords
- perception
- destination object
- data
- intelligence
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008447 perception Effects 0.000 claims abstract description 124
- 241001269238 Data Species 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000007906 compression Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000155 melt Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000000474 nursing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 101000888552 Xenopus laevis CLIP-associating protein 1-B Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009967 tasteless effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例提供了一种智能看护方法、装置、电子设备以及计算机可读存储介质,涉及计算机技术领域。该方法包括:接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。本发明实施例提高了对目标对象进行看护的准确率。
Description
技术领域
本发明实施例涉及计算机技术领域,具体而言,涉及一种智能看护方法、智能看护装置、电子设备以及计算机可读存储介质。
背景技术
随着对养老护理方面的需求日益增加,对老年人在室内的看护质量也越来越受到重视。
目前,为了解决人工看护方式成本太高的问题,多数养老社区大多采用以下几种方式看护老年人的活动状态:例如利用全球定位系统GPS实现对老年人的看护;或者采用室内定位跟踪技术例如蓝牙或者是iBeacon实现室内的连接和定位,从而对老年人进行看护。
上述几种方式在室内存在多个对象时,无法对需要被看护的老人进行准确识别,因此很难实现对老人的有效看护;除此之外,通过上述方式确定被看护老人的活动状态时,效率较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种智能看护方法、智能看护装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的看护准确率低以及看护效率差的问题。
本发明实施例的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明实施例的实践而习得。
根据本发明实施例的一个方面,提供一种智能看护方法,包括:
接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;
对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;
根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
可选地,对所有所述感知数据进行深度学习包括:
利用卷积神经网络模型对所有所述感知数据进行学习。
可选地,对所有所述感知数据进行深度学习包括:
通过数字信号和模拟信号两个维度对所述目标对象和所述非目标对象的所述感知数据进行分析,以识别所述目标对象的所述感知数据。
可选地,所述方法还包括:
对所有所述感知数据进行数据融合。
可选地,对所有所述感知数据进行数据融合包括:
采用Delta压缩方法对所述预设场景中的所有所述感知数据进行压缩处理,并推送至终端。
可选地,所述方法还包括:
根据所述预设场景中物体的预设参数建立与所述预设场景对应的虚拟场景,并在所述虚拟场景中构建与目标对象对应的虚拟对象。
可选地,接收由多个传感器采集并上传的预设场景中多个对象的感知数据包括:
接收由多个所述传感器采用不同的传输信道发送的所述感知数据。
可选地,所述方法还包括:
按照时间序列接收并记录所述目标对象在所述预设场景中的所述感知数据。
根据本公开的一个方面,提供一种智能看护装置,包括:
数据接收模块,用于接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;
深度学习模块,用于对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;
状态确定模块,用于根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的智能看护方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的智能看护方法。
本发明实施例一种示例实施例提供的智能看护方法、智能看护装置、电子设备以及计算机可读存储介质中,一方面,通过对接收到的所有感知数据进行深度学习,可以识别出与目标对象对应的感知数据,从而可以避免非目标对象感知数据的干扰,进而提高对目标对象进行看护的准确率;另一方面,通过接收传感器采集的目标对象的感知数据可直接确定目标对象的活动状态,而不需要借助其他设备,提高了看护的便捷性和效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
通过参照附图来详细描述其示例实施例,本发明的上述和其它特征及优点将变得更加明显。
图1示意性示出本发明实施例中实现智能看护方法的系统平台框架;
图2示意性示出本发明实施例中智能看护方法的流程图;
图3示意性示出传感器节点之间的传输信道示意图;
图4示意性示出本发明实施例中智能看护方法的具体流程图;
图5示意性示出本发明实施例中智能看护装置框图;
图6示意性示出本发明实施例中电子设备的框图;
图7示出了本发明实施例中计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施例中,首先提供了一种实现智能看护方法的系统平台。如图1所示,所述系统平台可以包括传感器网络子系统110、多传感器数据融合处理子系统120、时间序列位置信息子系统130以及感知信号智能识别子系统140。其中:
传感器网络子系统110负责收集和汇总被看护人的状态和活动情况的感知数据,并将汇总的感知数据发送到数据存储子系统的服务器;
多传感器数据融合处理子系统120负责有效汇总、处理和传输在时间序列的相关感知信息,例如通过在传感器网络内的多传感器数据融合中的有效数据压缩来减少数据传输量和节省传感器节点的能量消耗,通过多个不同传感器节点之间的传输协同采用不同的传输信道来减少无线传输中的信号干扰等;
时间序列位置信息子系统130负责输出和记录被看护人在时间序列的位置信息等;
感知信号智能识别子系统140负责对传感器感知信号的深度识别,譬如通过对被看护人和家里宠物的历史红外感知数据的模式识别与深度学习来区分家居中的被看护人和家里的宠物,最终通过对被看护人位置和活动数据的分析达到老年人看护的目的。
接下来,基于上述系统平台,提供了一种智能看护方法,可以应用于服务器端。参考图2中所示,该智能看护方法可以包括以下步骤:
步骤S210.接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;
步骤S220.对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;
步骤S230.根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
根据本示例实施例中的智能看护方法,一方面,通过对接收到的所有感知数据进行深度学习,可以识别出与目标对象对应的感知数据,从而可以避免非目标对象感知数据的干扰,进而提高对目标对象进行看护的准确率;另一方面,通过接收传感器采集的目标对象的感知数据可直接确定目标对象的活动状态,而不需要借助其他设备,提高了看护的便捷性和效率。
下面,将对本示例实施例中的智能看护方法进行详细的说明。
在步骤S210中,接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象可以包括目标对象以及非目标对象。
在本示例实施例中,预设场景可以为室内场景或者室外场景,此处以室内场景中的家居场景为例进行说明。目标对象可以为处于预设场景的需要被看护的老年人或者其他对象,目标对象可以为一个或多个。非目标对象例如可以为预设场景内的宠物或者是看护人员等。感知数据例如可以包括位置信息或者其它信息等。
在本示例实施例中,传感器可以部署在预设场景中,例如可以根据预设场景的特征、目标对象的活动环境、以及各传感器的感应区域面积等因素,在所述预设场景中安装或者部署多个传感器。举例而言,假设每个传感器的感应面积相同,在面积比较大的客厅,可以安装数量比较多的传感器;而在面积比较小的卧室,安装数量较少的传感器。传感器可以固定在相对位置不会发生变化的物体的表面,例如,将传感器部署在家居场景内标志性家具家电的表面,或者是墙壁或者天花板上。通过将传感器固定于预设场景中,可以实现对多个对象位置的自动采集,而不需要借助其他设备,提高了智能看护的便捷性。
所述传感器可以包括主动红外传感器或者被动红外传感器。本示例性实施例中,由于家居场景中的光线以及红外能量均比较稳定,为了保证看护效果,以无源被动红外传感器为例进行说明。各所述传感器可以包括感知子系统、信号传输子系统以及信号接收子系统等,各子系统相互结合以采集多个对象的感知数据。
以将传感器固定于家具家电表面为例进行说明。在预设场景中的一个或多个对象移动时,固定于各家具家电表面的各传感器均会对其位置进行感知,从而分别采集对应的感知数据。具体而言,固定于家居场景中的每个传感器可以观测多个对象,同时,每个对象可以由多个传感器负责观测,可以根据用户需求确定红外传感器节点的感知频率。
具体地,可以建立线性多传感器多目标系统,然后建立传感器方程以及目标预测点到传感器方程的最小距离方程模型,选择多个传感器和多个目标对象作为模型,并在上述的最小距离方程模型中,对每个目标对象到某一位置处都选择距离最小的多个方程。在多传感器多目标定位跟踪系统中选取无味滤波算法实现对目标对象位置的确定,减少位置确定的误差,实现更精准的定位。
服务器可以接收布置在所述预设场景中的多个传感器采集的所有对象在每个时刻的感知数据,以实现对目标对象的有效看护。服务器可以为本地服务器或远程服务器,此外,服务器还可以为其他能够提供存储功能的产品例如数据存储服务器或者云端服务器,本发明实施例对此不做特殊限定。
接收由多个传感器采集并上传的预设场景中多个对象的感知数据可以包括:接收由多个所述传感器采用不同的传输信道发送的所述感知数据。
在本示例中,每个传感器传输节点在发送信息前,可以通过无线多播的方式向附近传感器节点发送其即将使用某个信道进行传输的消息,附近节点收到消息后会自动协同采用不同的信道来进行数据传输,以最大限度地减少无线传输中的信号干扰。
如图3所示,在家居环境中部署了5个传感器(S1、S2、S3、S4、S5),其中,传感器S2向传感器S1的无线传输使用的是信道1,而传感器S3向传感器S4的无线传输使用的是信道2。由于不同的信道使用不同的无线传输频率,通过多个传感器节点之间采用不同信道传输的协同通讯方式,有效降低多个传感器节点之间的不同无线传输的信号干扰,提高了多传感器发送数据的效率。
除此之外,传感器可以将采集的所述感知数据发送至网关传感器,在网关传感器对所述感知数据进行汇总后,由所述网关传感器发送至所述服务器。具体而言:
传感器的功能相当于非网关传感器,各所述传感器在完成位置采集后,可以将采集的感知数据发送至网关传感器。网关传感器可以为多个传感器中的一个或多个,也可以为传感器之外的一个或多个。传感器只用于采集感知数据;网关传感器除了利用本身感知目标对象的数据之外,还可以汇总各传感器发送的感知数据。在对各传感器发送的感知数据进行汇总之后,可以通过网关传感器将汇总的感知数据以及网关传感器本身采集的感知数据发送至服务器。需要注意的是,在存在多个网关传感器时,将各传感器采集的感知数据发送至同一个网关传感器。
其中,可以通过无线网络传输技术将各所述传感器采集的所述感知数据均发送至网关传感器进行汇总。对于家居场景看护系统而言,需要网络支持的连接数量要足够多;同时需要网络有足够的稳定性,当有异常状态发生的时候,能够保证数据的传达;进一步地,还需要网络有足够高的安全性。为了满足上述要求,可以通过无线网络传输技术中的WiFi或者Zigbee协议方式,将各所述传感器采集的所述感知数据发送至所述网关传感器,从而发送至服务器。
如图3所示,可以指定传感器S5为网关传感器,各传感器将采集的感知数据发送给S5,S5对所有感知数据进行汇总,从而发送至服务器,以使所述服务器基于所述感知数据对预设场景中的目标对象进行有效看护。
进一步地,本示例实施方式中,所述方法还可以包括:按照时间序列接收并记录所述目标对象在所述预设场景中的所述感知数据。详细而言:
在本示例实施例中,时间序列分析方法为根据观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。可以通过时间序列分析方法记录预设场景中的目标对象的感知数据,随后数据存储系统可以按照时间序列将各传感器采集的所述预设场景中所述目标对象的感知数据按照非结构化数据格式存储到数据库或云端服务器。进一步地,还可以对接收的感知数据进行更新和维护等其他操作,本示例对此不作特殊限定。
需要补充的是,为了保护用户个人隐私,所述方法还可以包括:根据所述预设场景中物体的预设参数建立与所述预设场景对应的虚拟场景,并在所述虚拟场景中构建与目标对象对应的虚拟对象。
具体地,可以获取所述家居场景的参数以及室内家具家电的布置情况,例如可以通过拍摄家居场景的照片,对场景中主要家具或者家电的位置、形状、大小等预设参数进行采集,通过3Ds Max等软件建立与预设场景完全一致或者是在预设误差范围内的虚拟场景。
进一步地,为了保护目标对象和非目标对象的个人隐私,可以在虚拟场景中分别用可辨识的虚拟对象代替在预设场景中的目标对象和非目标对象。例如,可以用带有标记的虚拟人物或者其他对象代替目标对象。此时,虚拟场景中的虚拟对象与预设场景中目标对象,在看护场景范围内的活动状态完全一致。用户可以通过查看虚拟场景中虚拟对象的移动情况,确定预设场景中的目标对象的活动状态。
在步骤S220中,对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据。
在本示例实施例中,深度学习是一种基于对数据进行表征学习的方法。其观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。可以通过深度学习用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征,从而实现人脸识别或面部表情识别等。深度学习可以包括卷积神经网络(Convolutional neural networks,简称CNNs)学习模型,也可以包括深度置信网(Deep Belief Nets,简称DBNs)学习模型。
本示例中,可以利用卷积神经网络模型对传感器上传的预设场景内所有对象的所有感知数据进行深度学习,但在本发明中,用于深度学习的方法不限定于以上算法。可以对目标对象及非目标对象的历史感知数据,通过数字信号和模拟信号两个维度例如符号、文字、语音、图像等对感知数据进行分析,以分别获取目标对象及非目标对象感知数据的特征,并确定二者之间的差别,从而识别出与目标对象对应的感知数据,以排除非目标对象的感知数据的影响,保证数据分析的准确性。
其中,卷积神经网络由三部分构成:第一部分是输入层,第二部分由n个卷积层和池化层的组合组成,第三部分由一个全连结的多层感知机分类器构成。接下来,对利用卷积神经网络进行深度学习的过程进行具体描述。
首先根据传感器上传的感知数据采集待识别对象的图像并制作包含训练集和验证集的图像数据集;然后设计并优化原始卷积神经网络结构,包括卷积层、降采样层、全连接层等,用于训练目标对象识别模型模型;在深度学习框架下进行训练得到目标对象识别模型,调用目标对象识别模型进行测试验证,以根据接收到的图像确定目标对象。
具体地,在本示例中,例如可以通过各种网站上下载或者使用相机拍摄目标对象及其它对象的图像,包括彩色的和黑白的、不同角度和光照条件下的、背景复杂程度不同的图片。例如拍摄包含老人、猫、狗、看护人员的图片各150张,并将每类图片按照1:4的比例分为验证集和训练集。
接下来设计一个原始的网络结构,例如可以包括5个卷积模块(卷积层加上其后的激活函数层、池化层、标准化层组成一个卷积模块),2个全连接层,1个输出分类层,并将识别准确率最高的网络结构层数设置为优化后的网络的层数,进而训练出用于目标对象识别的最终网络结构。
然后将数据集输入卷积神经网络进行训练,经过例如2000次训练得到目标对象识别模型,并通过该目标对象识别模型对所有图像信息进行特征提取。例如可以根据所述目标对象识别模型识别所述图像的特征是否与目标对象的图像特征匹配,当检测到所述图像中并不存在被看护对象时,可以将所述图像丢弃并重新进行获取图像;当检测到所述图像中存在被看护对象时,可以将与其对应的感知数据筛选出来。
除此之外,也可以使用相关技术中已经训练好的目标对象识别模型,首先可以选择神经网络模型和学习规则,同时将传感器的输入信息综合处理为一个总体输入函数,并将此函数映射定义为相关单元的映射函数,它通过神经网络与环境的交互作用把环境的统计规律反映到网络本身的结构中来;然后对传感器输出信息进行学习。
接下来,在步骤S230中,根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
在本示例实施例中,可以根据深度学习算法而确定的目标对象的感知数据确定目标对象的活动状态,此处的活动状态例如可以包括目标对象的身体状态以及运动状态等。具体而言,可以包括目标对象当前时刻的位置信息、在某一处停留的时间以及移动轨迹等等。通过本示例中的智能看护方法,可以通过对被看护对象位置和活动数据的分析实现有效看护的目的。
进一步地,本示例实施方式中,还可以对所有所述感知数据进行数据融合。由于各种单一的传感器往往不能从预设场景中提取足够的信息,因此需要多传感器同时获取目标数据进行融合分析,才可有效的进行分类识别决策。具体而言,对所有所述感知数据进行数据融合可以包括:
采用Delta压缩方法对所述预设场景中所述目标对象和所述非目标对象的所述感知数据进行压缩处理,并推送至终端。
在本示例实施例中,可以采用Delta编码压缩方法,对接收到的感知数据进行压缩处理。具体地,针对当前需要传输的感知数据A,服务器需要记住上次向目标终端发送的感知数据B,则可以对当前感知数据A和上次向目标终端发送的感知数据B进行XOR位操作,只需传输两个感知数据的不同A-B。接下来,可以结合RLE(Run-Length Encoding,游程编码)算法实现数据压缩,例如对于连续出现的相同的数字或者字符,只需记住其出现的频率。具体地数据压缩过程可以通过程序实现。
举例而言,如果图3中所示的第一个传感器S1在时间序列内的感知数据是000000001000,第二个传感器S2在时间序列的感知数据是000000000100,第三个传感器S3在时间序列的感知数据是000000000100。在进行数据融合时,系统先对这些数据按大小进行排序,然后记下排序后的第一个感知数据:000000000100,对于排序后的第二个感知数据只需记下跟排序后的第一个感知数据的不同,对于排序后的第三个感知数据只需记下跟排序后第二个感知数据的不同,以此类推。
通过Delta压缩方法传输数据,可以减少感知数据的传输量,进而提高对感知数据进行处理的速度和效率,同时也可以节省传感器的能量消耗,延长传感器的使用时间。
除此之外,还可以将处理后的数据推送至安装在终端上的可视化应用APP,以使终端呈现生成的虚拟场景以及虚拟场景中的虚拟对象,从而方便用户对目标对象的活动状态进行查询或者整理等其他操作。终端可以为手机、平板电脑或其他具有显示和通信功能的移动终端,也可以为固定终端例如台式计算机、膝上型计算机或其他具有显示和通信功能的固定终端。
本示例性实施例中,通过用虚拟对象代替目标对象,同时用虚拟场景代替预设场景的方式,显示与所述目标对象的移动状态对应的虚拟场景,保护了目标对象的个人隐私。
终端可以接收由本示例中的方法生成的虚拟场景以及与虚拟对象对应的感知数据,并且根据感知数据呈现生成的虚拟场景以及虚拟场景中的虚拟对象。通过用虚拟对象代替被看护对象,同时用虚拟场景代替预设场景的方式,可以实现有效看护,同时保护了被看护对象的个人隐私,用户体验更好。
图4中示意性示出了本发明实施例中智能看护方法的具体流程图。参考步骤S410至步骤S450可以得知,该系统的处理流程可以包括:
在步骤S410中,在家居环境中部署多个传感器节点,尤其是红外感知传感器节点;
在步骤S420中,根据时间序列多个传感器感知数据的特点,在数据融合时进行Delta编码压缩和RLE编码压缩;
在步骤S430中,多个不同传感器节点之间的传输协同采用不同的传输信道以减少无线传输中的信号干扰;
在步骤S440中,对被看护人和家里宠物的历史红外感知数据的模式识别;
在步骤S450中,不断累积被看护人和家里宠物的红外感知数据,通过深度学习加以识别和区分。
图4中描述的智能看护方法,可以基于部署的多个传感器自动采集被监控对象的感知数据,提高了数据采集的便捷性;根据时间序列多个传感器感知数据的特点,在数据融合时进行Delta编码压缩和RLE编码压缩,最大限度的延长了传感器的使用寿命;多个不同传感器节点之间采用不同的传输信道进行协同传输,减少了无线传输中的信号干扰,提高了信号传输可靠性;采用深度学习模型识别同一家居环境中的多个对象,提高了室内看护的准确性。
此外,本示例实施方式中,还提供了一种智能看护装置500。参照图5所示,所述装置500可以包括:
数据接收模块501,可以用于接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;
深度学习模块502,可以用于对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;
状态确定模块503,可以用于根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
上述智能看护装置中各模块的具体细节已经在对应的智能看护方法中进行了详细的描述,因此此处不再赘述。
在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式图2中所示的步骤:步骤S210.接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;步骤S220.对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;步骤S230.根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (11)
1.一种智能看护方法,其特征在于,包括:
接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;
对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;
根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
2.根据权利要求1所述的智能看护方法,其特征在于,对所有所述感知数据进行深度学习包括:
利用卷积神经网络模型对所有所述感知数据进行学习。
3.根据权利要求2所述的智能看护方法,其特征在于,对所有所述感知数据进行深度学习包括:
通过数字信号和模拟信号两个维度对所述目标对象和所述非目标对象的所述感知数据进行分析,以识别所述目标对象的所述感知数据。
4.根据权利要求1所述的智能看护方法,其特征在于,所述方法还包括:
对所有所述感知数据进行数据融合。
5.根据权利要求4所述的智能看护方法,其特征在于,对所有所述感知数据进行数据融合包括:
采用Delta压缩方法对所述预设场景中的所有所述感知数据进行压缩处理,并推送至终端。
6.根据权利要求1所述的智能看护方法,其特征在于,所述方法还包括:
根据所述预设场景中物体的预设参数建立与所述预设场景对应的虚拟场景,并在所述虚拟场景中构建与目标对象对应的虚拟对象。
7.根据权利要求1所述的智能看护方法,其特征在于,接收由多个传感器采集并上传的预设场景中多个对象的感知数据包括:
接收由多个所述传感器采用不同的传输信道发送的所述感知数据。
8.根据权利要求1所述的智能看护方法,其特征在于,所述方法还包括:
按照时间序列接收并记录所述目标对象在所述预设场景中的所述感知数据。
9.一种智能看护装置,其特征在于,包括:
数据接收模块,用于接收由多个传感器采集并上传的预设场景中多个对象的感知数据;其中,所述多个对象包括目标对象和非目标对象;
深度学习模块,用于对所有所述感知数据进行深度学习并识别所述目标对象的所述感知数据;
状态确定模块,用于根据所述目标对象的所述感知数据确定所述目标对象在所述预设场景中的活动状态。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中任意一项所述的智能看护方法。
11.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8中任意一项所述的智能看护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711189283.9A CN107958434B (zh) | 2017-11-24 | 2017-11-24 | 智能看护方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711189283.9A CN107958434B (zh) | 2017-11-24 | 2017-11-24 | 智能看护方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958434A true CN107958434A (zh) | 2018-04-24 |
CN107958434B CN107958434B (zh) | 2021-11-26 |
Family
ID=61961979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711189283.9A Active CN107958434B (zh) | 2017-11-24 | 2017-11-24 | 智能看护方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958434B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876822A (zh) * | 2018-07-09 | 2018-11-23 | 山东大学 | 一种行为危险度评估方法及家庭安防看护系统 |
CN110503302A (zh) * | 2019-07-18 | 2019-11-26 | 长春市万易科技有限公司 | 一种文化养老活动效果评价方法 |
CN112295617A (zh) * | 2020-09-18 | 2021-02-02 | 济南大学 | 一种基于实验场景态势感知的智能烧杯 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559645A (zh) * | 2015-09-25 | 2017-04-05 | 杭州海康威视数字技术股份有限公司 | 基于摄像机的监控方法、系统和装置 |
CN107333226A (zh) * | 2017-06-23 | 2017-11-07 | 泰康保险集团股份有限公司 | 室内移动感知方法、装置、计算机可读介质和电子设备 |
CN107320069A (zh) * | 2017-06-19 | 2017-11-07 | 泰康保险集团股份有限公司 | 智能看护方法、装置、系统及服务器 |
-
2017
- 2017-11-24 CN CN201711189283.9A patent/CN107958434B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106559645A (zh) * | 2015-09-25 | 2017-04-05 | 杭州海康威视数字技术股份有限公司 | 基于摄像机的监控方法、系统和装置 |
CN107320069A (zh) * | 2017-06-19 | 2017-11-07 | 泰康保险集团股份有限公司 | 智能看护方法、装置、系统及服务器 |
CN107333226A (zh) * | 2017-06-23 | 2017-11-07 | 泰康保险集团股份有限公司 | 室内移动感知方法、装置、计算机可读介质和电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876822A (zh) * | 2018-07-09 | 2018-11-23 | 山东大学 | 一种行为危险度评估方法及家庭安防看护系统 |
CN110503302A (zh) * | 2019-07-18 | 2019-11-26 | 长春市万易科技有限公司 | 一种文化养老活动效果评价方法 |
CN110503302B (zh) * | 2019-07-18 | 2023-06-06 | 长春市万易科技有限公司 | 一种文化养老活动效果评价方法 |
CN112295617A (zh) * | 2020-09-18 | 2021-02-02 | 济南大学 | 一种基于实验场景态势感知的智能烧杯 |
CN112295617B (zh) * | 2020-09-18 | 2022-04-01 | 济南大学 | 一种基于实验场景态势感知的智能烧杯 |
Also Published As
Publication number | Publication date |
---|---|
CN107958434B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7154295B2 (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
Zou et al. | WiFi and vision multimodal learning for accurate and robust device-free human activity recognition | |
Deep et al. | A survey on anomalous behavior detection for elderly care using dense-sensing networks | |
US11619413B2 (en) | Intelligent air cleaner, indoor air quality control method and control apparatus using intelligent air cleaner | |
KR102166011B1 (ko) | 터치입력을 이용한 인지장애 판단 시스템 및 방법 | |
CN109076310A (zh) | 物理位置的自主语义标记 | |
JP2021133252A (ja) | 無線センシング、監視及び認識のための方法、装置及びシステム | |
AU2019288483B2 (en) | Device location network | |
CN107958434A (zh) | 智能看护方法、装置、电子设备及存储介质 | |
US20220156587A1 (en) | Multi-head deep metric machine-learning architecture | |
KR20190106948A (ko) | 지능형 디바이스 및 그 제어 방법 | |
US11495122B2 (en) | Automated bulk location-based actions | |
CN107872776A (zh) | 用于室内监控的方法、装置、电子设备及存储介质 | |
KR20190106946A (ko) | 지능형 디바이스 및 그 제어 방법 | |
Guo et al. | When healthcare meets off-the-shelf WiFi: A non-wearable and low-costs approach for in-home monitoring | |
Tan et al. | Online activity recognition and daily habit modeling for solitary elderly through indoor position-based stigmergy | |
CN114972727A (zh) | 用于多模态神经符号场景理解的系统和方法 | |
KR20190107614A (ko) | 이벤트 발생 시간 이용한 사용자 프로파일링 방법 | |
US11580333B2 (en) | Training image classifiers | |
Sansano-Sansano et al. | Multimodal sensor data integration for indoor positioning in ambient-assisted living environments | |
US20230111865A1 (en) | Spatial motion attention for intelligent video analytics | |
US20230128689A1 (en) | Extrinsic camera calibration using calibration object | |
US20220335725A1 (en) | Monitoring presence or absence of an object using local region matching | |
US20220101066A1 (en) | Reducing false detections for night vision cameras | |
US11550276B1 (en) | Activity classification based on multi-sensor input |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |